論文の概要: SAUF-Net: Structure--Appearance Representation Learning with Uncertainty Feedback for Semi-Supervised Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2609.02247v1
• Date: Wed, 02 Sep 2026 07:54:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.141954
• Title: SAUF-Net: Structure--Appearance Representation Learning with Uncertainty Feedback for Semi-Supervised Medical Image Segmentation
• Title（参考訳）: SAUF-Net:半監督医用画像分割のための不確かさフィードバックを用いた構造提示表現学習
• Abstract要約: 半教師型医用画像セグメンテーションのための不確かさフィードバックネットワークを用いた構造表現学習であるSAUF-Netを提案する。 本稿では、外観変化下で構造表現が安定し続けることを奨励するために、外観選択整合分岐を導入する。 ISIC-2016とKvasir-SEGの実験は、SAUF-Netが最先端の半教師付き手法より優れていることを示した。
• 参考スコア（独自算出の注目度）: 11.11888950065648
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised learning has shown great potential for reducing annotation costs in medical image segmentation. However, most existing methods mainly exploit unlabeled data through prediction-level consistency, while the reliability of internal feature representations is often overlooked. In medical images, target-related structural cues are easily entangled with unstable appearance variations, which may lead to unreliable pseudo labels and error accumulation during training. To address these issues, we propose SAUF-Net, a Structure--Appearance Representation Learning with Uncertainty Feedback Network for semi-supervised medical image segmentation. SAUF-Net uses the Structure--Appearance Decomposition Module (SADM) to separate bottleneck features into structural and appearance representations. The Disentangled Guidance Module (DGM) injects these representations into the decoding process to enhance structure-aware segmentation. Meanwhile, the Auxiliary Decoder produces branch-specific predictions for reliability estimation and a fused prediction for appearance-swapped consistency. Furthermore, we introduce an Appearance-Swapped Consistency branch to encourage structural representations to remain stable under appearance variations. We also introduce a reliability-map-guided dual-head discriminator with a Validity Head and an Uncertainty Head to provide feature-level uncertainty feedback. Extensive experiments on ISIC-2016 and Kvasir-SEG demonstrate that SAUF-Net outperforms state-of-the-art semi-supervised methods, especially under low-label settings.
• Abstract（参考訳）: 半教師付き学習は、医用画像セグメンテーションにおけるアノテーションコストを低減させる大きな可能性を示している。 しかし、既存のほとんどの手法は、主に予測レベルの一貫性を通じてラベル付きデータを利用するが、内部特徴表現の信頼性は見過ごされがちである。 医用画像では、ターゲットに関連する構造的手がかりは、不安定な外観変化と容易に絡み合っており、トレーニング中に信頼できない擬似ラベルやエラーの蓄積につながる可能性がある。 これらの課題に対処するために,半教師付き医用画像分割のための不確かさフィードバックネットワークを用いたSAUF-Netを提案する。 SAUF-Netは、SADM(Structure-Appearance Decomposition Module)を使用して、ボトルネック機能を構造的および外観的表現に分離する。 Disentangled Guidance Module (DGM)は、これらの表現をデコードプロセスに注入し、構造認識セグメンテーションを強化する。 一方、Auxiliary Decoderは、信頼性推定のためのブランチ固有の予測と、外観障害者の一貫性のための融合予測を生成する。 さらに, 外観変化下で構造表現が安定し続けるよう促すために, 外観対応整合分岐を導入する。 また,特徴レベルの不確実性フィードバックを提供するために,妥当性ヘッドと不確実性ヘッドを備えた信頼性マップ誘導デュアルヘッド識別器を導入する。 ISIC-2016とKvasir-SEGの大規模な実験により、SAUF-Netは、特に低ラベル設定下で、最先端の半教師付き手法より優れていることが示された。

関連論文リスト

• OFD-Net: Teacher-Free Reliable Semi-supervised Medical Image Segmentation with Orthogonal Feature Disentanglement Net of Foreground-Background [11.21872807442803]
  我々は,教師なしの半教師型医用画像セグメンテーションのための単一ネットワークフレームワーク OFD-Netを提案する。 OFD-Netは、OFDM(Orthogonal Feature Disentanglement Module)を使用して、ラベルなしデータを背景および前景表現に切り離すことによって、信頼性の高いSSLのためにOFDM機能をキャプチャする。 さらに、主予測と非絡み合った前景応答の構造的整合性に基づいてラベル付き指導を評価し、訓練中に信頼できない領域を減らし、信頼性に敏感な擬似ラベル学習機構を開発する。
  論文  参考訳（メタデータ） (2026-07-18T08:39:40Z)
• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• Semantic Feature Segmentation for Interpretable Predictive Maintenance in Complex Systems [36.94429692322632]
  本研究では,監視対象の機能空間を標準コンポーネントに分解するセグメンテーションフレームワークを提案する。 標準空間は、複数の時間的構成をまたいだ残留空間よりも予測リスクが低いことを示す。 これらの結果は,意味的特徴分節化が監視信号の解釈および情報遅延分解をもたらすことを示唆している。
  論文  参考訳（メタデータ） (2026-05-14T03:29:37Z)
• Uncertainty-Guided Dual-Domain Learning for Reliable Skin Lesion Segmentation [22.691374446857463]
  皮膚病変分類のためのUncertainty-Guided Dual-Domain Network (UGDD-Net)を提案する。 UGDD-Netは、不確実性をアクティブな誘導信号に変換する新しい"Glance-and-Gaze"メカニズムを導入した。 我々の不確実性マップは、熟練したサーバ間変動と一致し、人間と機械の協調診断に堅牢な解釈性を提供する。
  論文  参考訳（メタデータ） (2026-05-10T15:20:58Z)
• DeferredSeg: A Multi-Expert Deferral Framework for Trustworthy Medical Image Segmentation [66.24948946364329]
  DeferredSegは、特定の地域の人間専門家に予測をデファクトする、遅延認識セグメンテーションフレームワークである。 我々は、MedSAMとCENetをベースセグメンタとして、公平な比較のための3つの挑戦的な医療データセット上でDederredSegを評価した。 DeferredSegが一貫してベースラインを上回っていることを示す実験結果が得られた。
  論文  参考訳（メタデータ） (2026-04-14T07:50:31Z)
• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• Interpretable Unsupervised Deformable Image Registration via Confidence-bound Multi-Hop Visual Reasoning [1.6939372704265414]
  教師なしの変形可能な画像登録には、参照ラベルなしで複雑な解剖学的構造を整列する必要がある。 既存のディープラーニング手法は精度は高いが透明性を欠くことが多く、誤りの漂流と臨床信頼の低下につながる。 本稿では,段階的推論プロセスとして登録を再構成する新しいマルチホップ・ビジュアル・チェイン・オブ・推論・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T14:41:19Z)
• TransFIRA: Transfer Learning for Face Image Recognizability Assessment [73.61309363885552]
  TransFIRAは軽量でアノテーションのないフレームワークで、埋め込みスペースで直接認識できる。 顔以外の新しい拡張には、エンコーダで座屈した説明可能性があり、これは、劣化と被写体固有の要因が認識可能性にどのように影響するかを示す。 実験では、顔に対する最先端の結果、身体認識に対する強い堅牢性、およびデータセット間のシフトの下で確認された。
  論文  参考訳（メタデータ） (2025-10-07T18:16:21Z)
• Confidence Contours: Uncertainty-Aware Annotation for Medical Semantic Segmentation [9.869558800535255]
  本稿では,高信頼度・低信頼度・高信頼度・高信頼度・高信頼度・高信頼度・高信頼度・高信頼度・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼・高信頼 信頼性コンチュールはアノテータの労力を大幅に高めることなく高い代表能力を提供することを示す。 また、汎用セグメンテーションモデルでは、標準特異アノテーションと同じパフォーマンスレベルで信頼度パターンを学習できることがわかった。
  論文  参考訳（メタデータ） (2023-08-15T01:54:59Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation [74.05906222376608]
  クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。 i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
  論文  参考訳（メタデータ） (2021-05-23T01:50:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。